PPLLaVA est un modèle linguistique vidéo large et efficace qui combine l'alignement visuel précis des invites, la compression des jetons visuels par mise en commun de style convolutionnel des instructions utilisateur et l'extension du contexte CLIP. Ce modèle établit de nouveaux résultats de pointe sur les ensembles de données VideoMME, MVBench, VideoChatGPT Bench et VideoQA Bench, avec un débit amélioré de 8 fois en utilisant seulement 1024 jetons visuels.